水泥強度影響因素及預測研究進展論文
摘要：水泥強度影響因素很多，其中熟料的礦物組成是其顯著影響因子。將眾多水泥強度影響因子作為輸入變量，通過不同的預測模型，可預測水泥28d強度。其中組合模型預測方法結合了不同預測模型的優點，可提高水泥強度的預測精度。
關鍵詞：水泥強度；影響因素；預測
按照水泥行業和國家標準的要求，水泥強度的檢測齡期為28d，其28d強度也是判斷水泥標號的主要依據，這個要求給現場施工進度帶來了困擾，也給水泥生產企業庫存和資金帶來壓力，因而眾多水泥生產和使用單位都在積極探索水泥28d強度的預測方法。
1水泥強度的影響因素
預測水泥28d強度的方法是基于常規的化學和物理指標，應用數學的方法建立強度和其影響因子的經驗公式，對28d強度作出預測。因此，要準確預測水泥強度，必須了解水泥強度的影響因素。
水泥強度是水泥物理性能中最重要的指標之一，其影響因素很多：熟料的礦物組成和礦物形態，水泥細度（或比表面積）和顆粒級配、混合材、石膏、堿含量、游離氧化鈣含量等。
1.1礦物組成和礦物形態
不同水泥品種規定了熟料在水泥組成中的比例，熟料強度很大程度上取決于其礦物組成和礦物形態，熟料則是水泥產生強度的源頭。熟料四種主要礦物組成為：硅酸三鈣（C3S）、硅酸二鈣（C2S）、鋁酸三鈣（C3A）和鐵鋁酸四鈣（C4FA），當其含量改變時，水泥的物理性能也隨之改變。一般說來，C3S的水化產物對水泥早期強度和后期強度起主要作用，C2S的水化產物對水泥早期強度貢獻較小，但對水泥后期強度起重要作用，C3A對水泥早期強度起一定作用，C4FA水化后強度不高，但對水泥的抗折和抗沖磨性能起到重要作用。水泥熟料中的礦物形態也會對水泥強度有一定影響，熟料礦物晶體發育良好，晶體尺寸適中，晶體自形好，則水泥強度相對較高。
1.2細度和顆粒級配
一般來說，水泥細度小，比表面積大，水泥早期強度越高，水化熱也較大。水泥顆粒分布對強度影響的研究顯示：3～30μm的水泥顆粒是擔負強度增長的主要粒級，0～3μm的顆粒主要對早期強度有利，但3μm以下顆粒對后期強度仍有一定貢獻，而3μm以上顆粒對早期強度同樣具有一定貢獻。
1.3混合材
目前水泥中應用最廣泛的混合材種類是粉煤灰、礦渣粉、火山灰和石灰石粉等。不同水泥品種規定了可摻入混合材的品種和摻量范圍，不同混合材對強度的.也有不同的影響。摻入一定量優質的活性混合材，如粉煤灰、礦渣或火山灰，其早期強度降低，而后期強度下降速度緩慢，甚至有可能得到提高；摻入適量石灰石等惰性混合材，可以提高水泥的早期強度，但后期強度下降。
1.4石膏
石膏的存在可以有效調節水泥凝結時間，適量的石膏可提高早期強度，但如果SO3過多的話，多余的SO3能夠在水泥硬化后繼續與C3A和水生成鈣礬石，固相體積比反應物增大約129%，導致安定性不良。
1.5其他因素
水泥中的堿含量的增加能加快水泥早期的水化程度，故能提高早期強度，但不利于后期強度的發展；而少量的游離CaO能提高水泥強度，但隨著游離CaO含量的增大，水泥強度亦降低，并會引起水泥安定性不合格。
2水泥強度預測研究進展
2.1線性回歸模型預測
在較早的研究中，蘇聯學者葉戈羅夫研究了水泥熟料的組成與物質之間的相互關系，提出用礦物組成推算水泥28d強度；Knofel基于德國水泥廠數據，總結出水泥28d強度特征值F28和其礦物成分關系，而F28和水泥28d抗壓強度有著良好的線性關系，F28預測模型如式（1）：
F28=3C3S+2C2S+C3A-C4AF（1）
式中，F28為水泥28d強度特征值，C3S、C2S、C3A、C4FA分別為水泥中硅酸三鈣、硅酸二鈣、鋁酸三鈣和鐵鋁酸四鈣質量百分數，其數值可用X射線定量分析、化學萃取等方法測定，但一般采用Bogue計算法計算獲得。
Y·M·Zhang等人以此為基礎，詳細研究了水泥比表面積、顆粒級配、礦物組成和強度的關系，將比表面積和顆粒級配引入新的預測模型，可預測水泥3d、7d和28d強度；中國建筑材料科學研究院的周雙喜等人利用四個水泥廠的120組數據建立起了水泥28d抗壓強度與4種礦物組成的數學關系式，見式（2）：
R28=0.7603（C3S+C2S+C3A-C4AF）-16.95（2）
式中，R28為水泥28d抗壓強度。
線性回歸模型預測方法簡單可行，主要依靠熟料的礦物組成來對強度進行預測，更適于原材料和工藝穩定的出廠水泥強度預測，但當水泥其他影響因子發生大的變化時，該預測方法會引起較大誤差。
2.2多元非線性單一模型預測
實際上水泥強度是大時滯、非線性問題，影響因素較多，計算機技術的迅速發展為水泥強度的預測提供了更多新的方法。為了更準確的預測水泥強度，研究人員在計算模型中引入了更多的強度影響因素：細度、比表面積、游離CaO含量、SO3含量、堿含量，并將水泥1d抗壓強度和抗折強度作為輸入變量引入預測模型中。李曉波等人運用遺傳算法，得到了滿意的預測結果；董吉文等人開展了基于模糊神經網絡的水泥強度預測；郁時煉等人建立了BP神經網絡的水泥強度預測模型；王歡、郭一軍比較研究了BP神經網絡和RBF神經網絡模型預測方法，認為后者明顯優于前者。
該類預測方法引入了更多的水泥強度影響因子，能更精確的對水泥強度進行預測，適應性強，使用范圍廣，其中研究較多的RBF神經網絡模型預測方法，但也有國外學者指出，RBF雖然具有良好的非線性信息處理能力，可以逼近任何非線性函數，卻由于只分析輸入和輸出，隨機性大。
2.3組合模型預測
不同的神經網絡模型或算法都有著自身數值模擬的優缺點，因此，有學者采用兩種模型結合的方法來提高預測精度。SedatAkkurt等人采用模糊邏輯與人工神經網絡相結合，取得了水泥28d抗壓強度預測模型；崔秀云等人針對水泥強度預測的多變量、非線性、大時滯特點，提出一種以人工神經網與特殊的十進制數編碼的遺傳算法相結合的水泥28d強度預測方法；裘國華等人利用灰色預測模型和RBF神經網絡模型各自的優點，提出灰色GM-RBF神經網絡組合預測模型，可輸出28d抗壓強度，預測精度優于單一的灰色GM模型或RBF神經網絡模型。
組合模型預測方法可結合不同模型的優點，提高了水泥預測的精度，但需要的原始數據信息量大，數據預處理步驟復雜。
3結語
（1）水泥強度的影響因素有熟料的礦物組成和礦物形態，水泥細度（或比表面積）和顆粒級配、混合材、石膏、堿含量、游離氧化鈣含量等因素。其中熟料的礦物組成是影響水泥強度最顯著的因素。
（2）將水泥強度的影響因子作為預測模型的輸入變量，可開展水泥強度預測，預測方法可概括為三類：線性回歸模型預測、多元非線性單一模型預測、組合模型預測，每種預測方法都有著各自的優缺點。但隨著計算機技術發展對神經網絡、遺傳算法等人工智能算法的完善，以及水泥工作者對水泥強度預測精度要求的提高，人工智能算法及其組合應用在未來的水泥強度預測工作中將取得更多的研究進展。
參考文獻
[1]羅云峰，樊粵明，盧迪芬等.水泥熟料礦物組成及礦物形態對水泥強度的影響[J].水泥，2008（10）：5-9.
[2]陳波，徐培濤，韓仲琦等.粉磨方法和粉磨細度對水泥強度的影響[J].硅酸鹽學報，2002，30（z1）：53-58.
[3]王瑩瑩.游離氧化鈣含量對水泥安定性和強度的影響[J].福建建材，2012（10）：11-12.
[4]T·B·葉戈羅夫.從水泥組成估算強度的研究[A].第六屆國際水泥化學會議論文集[C].1981：319-324
[5]KnoefelD.Relationsbetweenchemistry，phasecontent，andstrengthinportlandcements[J].ZKG.Zement-Kalk-Gips，EditionA，1979，32（09）：448-54.
[6]GB/T21372-2008.硅酸鹽水泥熟料[S].北京：中國標準出版社，2008.
[7]ZhangYM，Napier-MunnTJ.Effectsofparticlesizedistribution，surfaceareaandchemicalcompositiononPortlandcementstrength[J].PowderTechnology，1995，83（03）：245-252.
[8]周雙喜，陳益民，張文生等.顆粒分布、比表面積、化學組成對水泥強度的影響[J].硅酸鹽通報，2006，25（01）：81-85.
[9]李曉東，楊波，董吉文.基于遺傳算法的水泥強度預測[J].計算機工程與應用，2004，40（12）：205-207.
[10]董吉文，陳月輝，袁潤章等.基于模糊神經網絡的水泥強度預測[J].山東建筑大學學報，2005，20（01）：1-3.
[11]郁時煉，高輝.基于神經網絡的水泥強度預測[J].合肥工業大學學報：自然科學版，2002，25（2）：316-320.
[12]王歡，張增光，李海濱等.基于RBF神經網絡的水泥強度預測[J].自動化與儀表，2004，19（02）：7-9.
[13]郭一軍.基于人工神經網絡的水泥強度預測模型研究[D].昆明：昆明理工大學，2006.
[14]AlexandridisA，TriantisD，StavrakasI，etal.Aneuralnetworkapproachforcompressivestrengthpredictionincement-basedmaterialsthroughthestudyofpressure-stimulatedelectricalsignals[J].ConstructionandBuildingMaterials，2012（30）：294-300
[15]AkkurtS，TayfurG，CanS.Fuzzylogicmodelforthepredictionofcementcompressivestrength[J].Cement&ConcreteResearch，2004，34（08）：1429-1433.
[16]崔秀云，陳月輝，史奎凡等.人工神經網—遺傳算法在水泥強度預測中的應用[J].山東建材學院學報，1998（03）：275-277.
[17]裘國華，申屠南瑛，施正倫.基于GM-RBF神經網絡組合模型的水泥強度預測方法[J].科技導報，2014，32（03）：56-61.
【水泥強度影響因素及預測研究進展論文】相關文章：
土質對水泥深層攪拌樁強度的影響因素分析08-02
影響Nomex蜂窩節點強度因素的研究07-29
含鹽量對水泥土強度影響的室內試驗研究10-02
聚酯纖維對水泥碎石強度影響的試驗研究07-12
水穩碎石基層強度影響因素分析08-02
礦物摻合料對水泥混凝土強度和耐磨性的影響10-20
影響低活性粉煤灰基層強度因素的分析07-03
專長和任務特征因素對預測判斷的影響07-18
基于影響因素的SVR備件需求預測研究07-19